Uso do gráfico c para dados de contagem autocorrelacionados

Detalhes bibliográficos
Autor(a) principal: Fernandes, Fidel Henrique
Data de Publicação: 2015
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Repositório Institucional da UFRN
Texto Completo: https://repositorio.ufrn.br/handle/123456789/34292
Resumo: A classe dos modelos INARMA é bem adequada para modelar a estrutura e a autocorrelação de processos com marginais Poisson, no contexto de controle estatístico de qualidade. Processos de contagem surgem em diversas situações, concentraremos no uso do modelo para uma sequência estacionária de valores inteiros (processos de contagem auto regressivos de ordem 1 [INAR(1)]),que são processos estocásticos mutuamente independentes com particular relevância para o gráfico de controle. Considerando o cenário de dados de contagem autocorrelacionados, este trabalho propõe monitorar processos de contagem sob o modelo INAR(1), através do uso gráfico c (gráfico de controle para monitorar o número de não – conformidades da amostra) modificando os limites de controle usuais e adaptando o uso desse modelo ao gráfico (c), também faremos uma análise de sensibilidade do modelo através de simulações do NMA, número de amostras que excedem o limite de controle, para diferentes combinações dos parâmetros do gráfico. Essas perturbações e análises dos parâmetros reproduzem o que foi feito em Weiβ(2007) porém incluímos casos adicionais α = 0.9α0, α = 1.1α0, λ = 0.9λ0 e λ = 1.1λ0. Incluímos também, na simulação os casos em que α0 = 0. Os resultados mostram que a autocorrelação provoca, nos gráficos de controle c, uma sinalização mais tardia, quando este sofre alguma perturbação de −20% e −10%. Já quando estamos lidando com uma perturbação de +20% na autocorrelação, o gráfico detecta rápido a mudança, a medida que o número de não - conformidades aumenta. Por fim, aplicamos a metodologia estudada para um conjunto de dados reais referente à contagem de endereços de IP.
id UFRN_1c4be9a0d97bb6b8824c4bf6bb94a3ab
oai_identifier_str oai:https://repositorio.ufrn.br:123456789/34292
network_acronym_str UFRN
network_name_str Repositório Institucional da UFRN
repository_id_str
spelling Fernandes, Fidel HenriquePINHO, André Luís Santos dePEREIRA, Marcelo BourguignonMedeiros, Pledson Guedes de2016-02-11T18:35:20Z2021-09-20T12:08:45Z2016-02-11T18:35:20Z2021-09-20T12:08:45Z2015-12-122012973254FERNANDES, Fidel Henrique. Uso do gráfico c para dados de contagem autocorrelacionados. 2015. 58 f. Monografia (Graduação em Estatística) - Centro de Ciências Exatas e da Terra, Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal. 2015.https://repositorio.ufrn.br/handle/123456789/34292Universidade Federal do Rio Grande do NorteUFRNBrasilEstatísticaControle Estatístico de Qualidade. Gráfico c. INAR(1). INARMA. IP. NMA. Poisson e thinning binomial.Uso do gráfico c para dados de contagem autocorrelacionadosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisA classe dos modelos INARMA é bem adequada para modelar a estrutura e a autocorrelação de processos com marginais Poisson, no contexto de controle estatístico de qualidade. Processos de contagem surgem em diversas situações, concentraremos no uso do modelo para uma sequência estacionária de valores inteiros (processos de contagem auto regressivos de ordem 1 [INAR(1)]),que são processos estocásticos mutuamente independentes com particular relevância para o gráfico de controle. Considerando o cenário de dados de contagem autocorrelacionados, este trabalho propõe monitorar processos de contagem sob o modelo INAR(1), através do uso gráfico c (gráfico de controle para monitorar o número de não – conformidades da amostra) modificando os limites de controle usuais e adaptando o uso desse modelo ao gráfico (c), também faremos uma análise de sensibilidade do modelo através de simulações do NMA, número de amostras que excedem o limite de controle, para diferentes combinações dos parâmetros do gráfico. Essas perturbações e análises dos parâmetros reproduzem o que foi feito em Weiβ(2007) porém incluímos casos adicionais α = 0.9α0, α = 1.1α0, λ = 0.9λ0 e λ = 1.1λ0. Incluímos também, na simulação os casos em que α0 = 0. Os resultados mostram que a autocorrelação provoca, nos gráficos de controle c, uma sinalização mais tardia, quando este sofre alguma perturbação de −20% e −10%. Já quando estamos lidando com uma perturbação de +20% na autocorrelação, o gráfico detecta rápido a mudança, a medida que o número de não - conformidades aumenta. Por fim, aplicamos a metodologia estudada para um conjunto de dados reais referente à contagem de endereços de IP.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFRNinstname:Universidade Federal do Rio Grande do Norte (UFRN)instacron:UFRNTEXTGraficoC_Fernandes_2015.pdf.txtExtracted texttext/plain81990https://repositorio.ufrn.br/bitstream/123456789/34292/1/GraficoC_Fernandes_2015.pdf.txta938c6fa8e6e0fc4f63eb6c0ed4f049fMD51LICENSElicense.txttext/plain756https://repositorio.ufrn.br/bitstream/123456789/34292/2/license.txta80a9cda2756d355b388cc443c3d8a43MD52ORIGINALGraficoC_Fernandes_2015.pdfMonografiaapplication/pdf1013662https://repositorio.ufrn.br/bitstream/123456789/34292/3/GraficoC_Fernandes_2015.pdffaa4e996392538c84d434a18e2e50688MD53123456789/342922021-09-20 09:08:45.909oai:https://repositorio.ufrn.br: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ório de PublicaçõesPUBhttp://repositorio.ufrn.br/oai/opendoar:2021-09-20T12:08:45Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)false
dc.title.pr_BR.fl_str_mv Uso do gráfico c para dados de contagem autocorrelacionados
title Uso do gráfico c para dados de contagem autocorrelacionados
spellingShingle Uso do gráfico c para dados de contagem autocorrelacionados
Fernandes, Fidel Henrique
Controle Estatístico de Qualidade. Gráfico c. INAR(1). INARMA. IP. NMA. Poisson e thinning binomial.
title_short Uso do gráfico c para dados de contagem autocorrelacionados
title_full Uso do gráfico c para dados de contagem autocorrelacionados
title_fullStr Uso do gráfico c para dados de contagem autocorrelacionados
title_full_unstemmed Uso do gráfico c para dados de contagem autocorrelacionados
title_sort Uso do gráfico c para dados de contagem autocorrelacionados
author Fernandes, Fidel Henrique
author_facet Fernandes, Fidel Henrique
author_role author
dc.contributor.referees1.none.fl_str_mv PINHO, André Luís Santos de
dc.contributor.referees2.none.fl_str_mv PEREIRA, Marcelo Bourguignon
dc.contributor.author.fl_str_mv Fernandes, Fidel Henrique
dc.contributor.advisor1.fl_str_mv Medeiros, Pledson Guedes de
contributor_str_mv Medeiros, Pledson Guedes de
dc.subject.pr_BR.fl_str_mv Controle Estatístico de Qualidade. Gráfico c. INAR(1). INARMA. IP. NMA. Poisson e thinning binomial.
topic Controle Estatístico de Qualidade. Gráfico c. INAR(1). INARMA. IP. NMA. Poisson e thinning binomial.
description A classe dos modelos INARMA é bem adequada para modelar a estrutura e a autocorrelação de processos com marginais Poisson, no contexto de controle estatístico de qualidade. Processos de contagem surgem em diversas situações, concentraremos no uso do modelo para uma sequência estacionária de valores inteiros (processos de contagem auto regressivos de ordem 1 [INAR(1)]),que são processos estocásticos mutuamente independentes com particular relevância para o gráfico de controle. Considerando o cenário de dados de contagem autocorrelacionados, este trabalho propõe monitorar processos de contagem sob o modelo INAR(1), através do uso gráfico c (gráfico de controle para monitorar o número de não – conformidades da amostra) modificando os limites de controle usuais e adaptando o uso desse modelo ao gráfico (c), também faremos uma análise de sensibilidade do modelo através de simulações do NMA, número de amostras que excedem o limite de controle, para diferentes combinações dos parâmetros do gráfico. Essas perturbações e análises dos parâmetros reproduzem o que foi feito em Weiβ(2007) porém incluímos casos adicionais α = 0.9α0, α = 1.1α0, λ = 0.9λ0 e λ = 1.1λ0. Incluímos também, na simulação os casos em que α0 = 0. Os resultados mostram que a autocorrelação provoca, nos gráficos de controle c, uma sinalização mais tardia, quando este sofre alguma perturbação de −20% e −10%. Já quando estamos lidando com uma perturbação de +20% na autocorrelação, o gráfico detecta rápido a mudança, a medida que o número de não - conformidades aumenta. Por fim, aplicamos a metodologia estudada para um conjunto de dados reais referente à contagem de endereços de IP.
publishDate 2015
dc.date.issued.fl_str_mv 2015-12-12
dc.date.accessioned.fl_str_mv 2016-02-11T18:35:20Z
2021-09-20T12:08:45Z
dc.date.available.fl_str_mv 2016-02-11T18:35:20Z
2021-09-20T12:08:45Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.pr_BR.fl_str_mv 2012973254
dc.identifier.citation.fl_str_mv FERNANDES, Fidel Henrique. Uso do gráfico c para dados de contagem autocorrelacionados. 2015. 58 f. Monografia (Graduação em Estatística) - Centro de Ciências Exatas e da Terra, Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal. 2015.
dc.identifier.uri.fl_str_mv https://repositorio.ufrn.br/handle/123456789/34292
identifier_str_mv 2012973254
FERNANDES, Fidel Henrique. Uso do gráfico c para dados de contagem autocorrelacionados. 2015. 58 f. Monografia (Graduação em Estatística) - Centro de Ciências Exatas e da Terra, Departamento de Estatística, Universidade Federal do Rio Grande do Norte, Natal. 2015.
url https://repositorio.ufrn.br/handle/123456789/34292
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.publisher.initials.fl_str_mv UFRN
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Estatística
publisher.none.fl_str_mv Universidade Federal do Rio Grande do Norte
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRN
instname:Universidade Federal do Rio Grande do Norte (UFRN)
instacron:UFRN
instname_str Universidade Federal do Rio Grande do Norte (UFRN)
instacron_str UFRN
institution UFRN
reponame_str Repositório Institucional da UFRN
collection Repositório Institucional da UFRN
bitstream.url.fl_str_mv https://repositorio.ufrn.br/bitstream/123456789/34292/1/GraficoC_Fernandes_2015.pdf.txt
https://repositorio.ufrn.br/bitstream/123456789/34292/2/license.txt
https://repositorio.ufrn.br/bitstream/123456789/34292/3/GraficoC_Fernandes_2015.pdf
bitstream.checksum.fl_str_mv a938c6fa8e6e0fc4f63eb6c0ed4f049f
a80a9cda2756d355b388cc443c3d8a43
faa4e996392538c84d434a18e2e50688
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRN - Universidade Federal do Rio Grande do Norte (UFRN)
repository.mail.fl_str_mv
_version_ 1814832970093035520